[發(fā)明專利]基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)雷達(dá)一維距離像目標(biāo)識別方法

有效

• 申請?zhí)枺?/td>: 201710939169.7
• 申請日: 2017-10-11
• 公開（公告）號: CN107657243B
• 公開（公告）日: 2019-07-02
• 發(fā)明（設(shè)計）人: 廖闊;司進(jìn)修;何旭東;楊孟文;周毅;周代英;沈曉峰
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 成都點睛專利代理事務(wù)所(普通合伙) 51232
• 代理人: 孫一峰

本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，具體的說是涉及一種基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)雷達(dá)一維距離像目標(biāo)識別方法。本發(fā)明的方法首先通過對原始一維距離像進(jìn)行選擇和截斷等預(yù)處理操作；其次，采用時段原則對數(shù)據(jù)集進(jìn)行劃分，同時對訓(xùn)練集中各目標(biāo)進(jìn)行二次等量隨機(jī)抽取，獲得兩個同構(gòu)訓(xùn)練子集；接著，本發(fā)明提出了神經(jīng)網(wǎng)絡(luò)與遺傳算法雙向優(yōu)化的方法，利用訓(xùn)練網(wǎng)絡(luò)在不同迭代次數(shù)時所產(chǎn)生的網(wǎng)絡(luò)參數(shù)，初始化一定數(shù)目的染色體；然后，采用遺傳算法對染色體進(jìn)行交叉變異等操作；隨后，根據(jù)所選最優(yōu)染色體對新的神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)賦初值，選擇新的訓(xùn)練子集作為網(wǎng)絡(luò)輸入，采用隨機(jī)梯度下降法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，加快了訓(xùn)練網(wǎng)絡(luò)的收斂速度，同時提升了一定的識別率。

技術(shù)領(lǐng)域個

本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，具體的說是涉及一種基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)雷達(dá)一維距離像目標(biāo)識別方法。

背景技術(shù)

深度學(xué)習(xí)理論已經(jīng)成功應(yīng)用到眾多識別領(lǐng)域，并取得良好效果。但應(yīng)用深度學(xué)習(xí)方法的指導(dǎo)原則是大數(shù)據(jù)樣本，隨之可能面對的問題是訓(xùn)練樣本的不均衡性，和訓(xùn)練參數(shù)的極度增長。如何處理訓(xùn)練樣本均衡化，如何在保證識別率的前提下降低參數(shù)數(shù)量，從而提升訓(xùn)練效率，這將是進(jìn)一步研究的重點。因此需要根據(jù)實際情況，在深度學(xué)習(xí)的理論基礎(chǔ)之上，研究新的優(yōu)化算法進(jìn)一步提升識別網(wǎng)絡(luò)的訓(xùn)練效率。

發(fā)明內(nèi)容

本發(fā)明的目的是，針對雷達(dá)一維距離像的目標(biāo)識別問題，提出了一種訓(xùn)練樣本均衡化思想。基于深度學(xué)習(xí)理論，提出了神經(jīng)網(wǎng)絡(luò)與遺傳算法相互優(yōu)化的優(yōu)化策略，用以提升神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)的訓(xùn)練效率。

本發(fā)明的技術(shù)方案是：提出一種基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)雷達(dá)一維距離像目標(biāo)識別方法，其特征在于包括以下步驟：

S1、獲取數(shù)據(jù)樣本：

由高分辨率雷達(dá)分時段獲取飛行目標(biāo)的一維距離像數(shù)據(jù)構(gòu)成數(shù)據(jù)集：

其中N表示目標(biāo)類別總數(shù)，K_i代表獲取第i類目標(biāo)一維距離像的總時間段個數(shù)，M_ik表示第i類目標(biāo)在第k個時間段所獲取目標(biāo)一維距離像的個數(shù)，為數(shù)據(jù)集合中樣本總數(shù)，表示第i類目標(biāo)在第k個時間段所獲取的第j幅一維距離像，且樣本維數(shù)為600；

S2、數(shù)據(jù)樣本的預(yù)處理：

S21、對S1所述數(shù)據(jù)集D⁽⁰⁾進(jìn)行樣本篩選：

從數(shù)據(jù)集D⁽⁰⁾中選擇信噪比大于22db的所有一維距離像，并將篩選后的數(shù)據(jù)集記為D⁽¹⁾；

S22、對D⁽¹⁾中的一維距離像進(jìn)行截斷處理，即以最大值為中心，連續(xù)選取300個數(shù)據(jù)點，作為待識別一維距離像樣本，記截斷后的數(shù)據(jù)集為：其中W_ik表示經(jīng)篩選后的第i類目標(biāo)在第k個時間段所獲取目標(biāo)一維距離像的個數(shù)：

S3、劃分?jǐn)?shù)據(jù)集：

為提升識別系統(tǒng)的魯棒性，選取每類目標(biāo)的第一個時間段所獲取的一維距離像作為訓(xùn)練集，其他時間段所獲取的一維距離像作為測試集合，則分別將訓(xùn)練集和測試集記為：

考慮訓(xùn)練樣本數(shù)據(jù)均衡性問題，然后將訓(xùn)練集進(jìn)行拆分，通過隨機(jī)二次抽取拆分為兩個不同的訓(xùn)練子集，且使兩個訓(xùn)練子集內(nèi)同類別目標(biāo)的個數(shù)保持相同，以共享相同標(biāo)簽集，記訓(xùn)練子集為：

其中表示訓(xùn)練子集中的樣本總數(shù)；

S4、構(gòu)建標(biāo)簽集：

根據(jù)S3中所建訓(xùn)練子集X⁽¹⁾(1)和測試集Z⁽¹⁾，采用1-of-K編碼方式得到樣本的標(biāo)簽矢量為：